Baterai pada kendaraan listrik merupakan fokus utama pemeliharaan kesehatan baterai. Sistem Manajemen Baterai (BMS) menjaga kondisi baterai secara optimal dengan mengevaluasi Status Kesehatannya (SOH). Mengidentifikasi SOH secara akurat dapat menentukan waktu penggantian baterai, menghindari kegagalan baterai, dan memperpanjang masa pakainya. Artikel ini bertujuan untuk meningkatkan kinerja BMS dengan mengidentifikasi parameter SOH. Berdasarkan model baterai Thevenin, diperoleh parameter kunci seperti R{{0}}, Rp, dan Cp. Dua algoritma adaptif, penghitungan Coulomb dan tegangan rangkaian terbuka, digunakan untuk menyelesaikan identifikasi parameter. Hasil kedua algoritma dari segi error, mean absolute error (MAE), root mean square error (RMSE), dan nilai akhir SOH dibandingkan. Penelitian berfokus pada perolehan data kesalahan estimasi dan informasi kinerja PASI yang andal. Hasil penelitian menunjukkan bahwa metode penghitungan Coulomb memiliki kesalahan estimasi SOH yang lebih kecil dibandingkan metode pencacahan tegangan rangkaian terbuka, dengan kesalahan sebesar 1,770%. Nilai SOH akhir sebesar 17,33%, dan model baterai Thevenin memiliki kesalahan pemodelan sebesar 0,0451% untuk baterainya.
1. Pendahuluan
Baterai Kendaraan Listrik dan Sistem Manajemen Baterai (BMS):Pada kendaraan listrik, baterai adalah sumber energi utama yang menyediakan tenaga untuk mesin dan sistem lainnya. Berbeda dengan mobil tradisional, baterai kendaraan listrik memiliki kapasitas dan voltase yang relatif kecil, dan biasanya dikemas dalam modul baterai. Sistem baterai terdiri dari beberapa baterai, yang dikelola oleh BMS. Fungsinya antara lain mengoptimalkan sistem kerja baterai, yang melibatkan dua parameter utama: status pengisian daya (SOC) dan status kesehatan (SOH). SOC adalah rasio sisa kapasitas terhadap kapasitas total, sedangkan SOH adalah nilai perbandingan antara performa saat ini dengan performa baterai baru yang tidak dapat diukur secara langsung dan perlu diperkirakan.
Latar belakang penelitian dan metode terkait:State of Health (SOH) dapat mengukur kinerja dan masa pakai baterai. Penurunan kualitas, perubahan resistansi internal, dan parameter kapasitas dapat terjadi selama penggunaan baterai. Mengidentifikasi parameter SOH membantu menentukan kondisi aktual baterai, merekomendasikan waktu penggantian, dan memperpanjang masa pakai baterai. Saat ini terdapat beberapa metode untuk memperkirakan Status Kesehatan (SOH) atau Status Biaya (SOC), namun hanya ada sedikit metode yang secara bersamaan mengidentifikasi keduanya dan menghasilkan parameter yang sesuai untuk mengurangi beban komputasi pada BMS. Algoritma untuk memantau parameter baterai perlu beradaptasi dengan perubahan parameter dan memperkirakan kondisi baterai. Metode tersebut dapat dibagi menjadi tiga kategori, antara lain metode impedansi spektral, metode persamaan model rangkaian, dan metode model impedansi elektrokimia.
Tinjauan pekerjaan terkait:Berbagai metode telah umum digunakan dalam penelitian sebelumnya untuk mengidentifikasi parameter baterai. Metode penghitungan Coulomb (CC) dan tegangan rangkaian terbuka (OCV) banyak digunakan pada BMS kendaraan listrik, masing-masing memiliki kelebihan dan kekurangannya masing-masing. Metode CC memperkirakan SOH dengan memantau kapasitas masuk dan keluar baterai, dengan mempertimbangkan kehilangan daya selama siklus pengisian, dan juga dapat memberikan informasi yang relevan melalui pemulihan tegangan; Metode OCV dapat dianggap sebagai tegangan seimbang setelah baterai dalam keadaan istirahat penuh, dan Keadaan Kesehatan (SOH) diperkirakan dengan mempertimbangkan kondisi parameter baterai BMS.
Fokus penelitian ini adalah mengidentifikasi parameter SOH yang akurat untuk memperpanjang masa pakai baterai. Metode berbasis model baterai digunakan untuk mengevaluasi dan mengidentifikasi parameter SOH. Model baterai Thevenin digunakan untuk mengidentifikasi parameter R0, Rp, dan Cp melalui algoritma adaptif (Recursive Least Squares, RLS). Berdasarkan hasil evaluasi, diperoleh estimasi SOH yang akurat untuk mengurangi beban komputasi.
Kontribusi penelitian:Hasil pengujian parameter baterai memberikan perkiraan yang masuk akal dan tingkat kesalahan yang kecil untuk mengevaluasi kinerja sistem PASI. Metode penghitungan Coulomb cocok untuk menghitung kapasitas baterai, dan daya maksimum baterai berkurang seiring bertambahnya siklus pengisian dan pengosongan. Kesalahan relatif model baterai Thevenin kurang dari 2%. Dari segi akurasi estimasi SOH, metode CC lebih unggul dibandingkan RLS, dan metode CC dapat memperkirakan tegangan terminal baterai dan SOC, sedangkan metode OCV hanya dapat memperkirakan parameter baterai.
2. Sistem manajemen baterai
Komponen baterai (fungsi dan komposisi BMS):BMS mengatur sistem baterai yang terdiri dari ratusan atau ribuan baterai pada kendaraan listrik, dan memiliki fungsi penting seperti pemantauan, estimasi parameter, perlindungan, penyediaan laporan, dan penyeimbangan baterai. Fungsi utamanya antara lain melindungi baterai dari kerusakan, mengoperasikan baterai dalam rentang tegangan dan suhu yang sesuai, dan menjaga baterai agar beroperasi pada parameter yang memenuhi persyaratan sistem seperti SOC, SOH, dan SOF. BMS terdiri dari sensor, aktuator, dan pengontrol, dengan input termasuk sinyal sensor seperti arus, tegangan, suhu, dan pedal, dan output termasuk modul untuk manajemen termal, keseimbangan, manajemen keselamatan, indikasi pengisian daya, alarm kesalahan, dan komunikasi. Perangkat lunak BMS mencakup beberapa modul fungsional seperti deteksi parameter baterai, estimasi, dan diagnosis kesalahan. Pengukuran tegangan baterai, estimasi parameter, penyeimbangan, dan diagnosis kesalahan merupakan masalah utama BMS, di antaranya pengukuran tegangan baterai menghadapi kesulitan seperti perbedaan tegangan yang disebabkan oleh sambungan seri baterai dan persyaratan presisi tinggi.
Pemodelan baterai:Artikel ini menentukan parameter Keadaan Kesehatan (SOH) melalui pemodelan baterai, dan mengubah parameter tegangan, arus, dan suhu baterai masukan menjadi SOH untuk mendapatkan perkiraan yang akurat. Dengan menggunakan model baterai Thevenin, respons transien tegangan dari proses polarisasi baterai dijelaskan dengan memilih parameter resistansi internal dan kapasitansi baterai. Persamaan matematis model baterai dan metode penghitungan parameter terkait (Voc, R0, Rp, dan Cp) disediakan, yang diperoleh melalui algoritma RLS dan diterapkan pada model baterai Thevenin.
3. Menentukan parameter kondisi kesehatan
Pentingnya dan metode mengidentifikasi parameter status kesehatan:Parameter SOH yang akurat sangat penting untuk kinerja BMS. Penelitian ini menggunakan penghitungan Coulomb sebagai algoritma adaptif untuk mengidentifikasi parameter tersebut guna mendapatkan nilai inisialisasi SOH dan mengevaluasi kinerja BMS. Model baterai Thevenin digunakan untuk menentukan parameter model baterai dan fungsi OCV-SOC. Proses spesifiknya melibatkan memasukkan arus ke model baterai, menganalisis data tegangan terminal, mengkonversi dari domain waktu ke domain SOC, dan penyesuaian kurva untuk mendapatkan fungsi OCV-SOC. Proses identifikasi parameter diulangi hingga estimasi SOH masuk akal dan tingkat kesalahannya kecil.
Fungsi OCV-SOC:Berdasarkan model baterai Thevenin, OCV (SOC) merupakan parameter tegangan sumber yang diperoleh dengan menguji tegangan baterai tanpa beban tersambung dan tegangan sebelum baterai dihubungkan. Kurva SOC OCV diperkirakan menggunakan data uji beban konstan dan dilengkapi dengan polinomial orde dua belas. Polinomial orde kesepuluh memiliki akurasi tertinggi dalam memperkirakan Voc dan root mean square error (RMSE) terkecil, yang berdampak signifikan terhadap akurasi fungsi SOC dan OCV.
Parameter R0, Rp, dan Cp:Model baterai Thevenin memerlukan OCV di SOC sebagai sumber tegangan, yang diperoleh melalui pengujian pulsa. R{{0}} merupakan resistansi dalam yang nilainya lebih besar dibandingkan resistansi lainnya. Karena masalah periode pengambilan sampel, sulit untuk menangkap perubahan data yang kecil. Hubungan antara R0 dan SOC diperoleh melalui pemasangan kurva polinomial orde kedua, dengan nilai rata-rata R0 sebesar 0.027735 Ω. R0, Rp, dan Cp memberikan data masukan untuk pengujian pulsa tegangan dan arus serta memperoleh nilai parameter keluaran.
Hasil percobaan
Dengan menganalisis parameter Status Kesehatan (SOH) yang dipantau oleh baterai, kinerja BMS tercapai, dan data parameter fisik seperti tegangan terminal dan arus masuk/keluar baterai diperoleh. Berdasarkan pemodelan baterai, data parameter diidentifikasi dan digunakan untuk pemantauan status baterai dan sistem perlindungan. Metode estimasi SOH meliputi pengukuran perubahan resistansi dan kapasitas baterai masing-masing menggunakan hukum Ohm dan metode penghitungan Coulomb, serta mensubstitusi nilai OCV ke dalam persamaan hubungan OCV-SOC untuk memperoleh nilai SOC dan SOH.
Uji lucutan statik dilakukan dan hasilnya menunjukkan bahwa algoritma CC memperoleh perubahan SOH dengan mengalikan nilai arus dengan waktu, sedangkan algoritma OCV memperoleh nilai SOH dengan menggunakan tegangan terminal atau nilai OCV model baterai. Kurva perubahan SOH dari kedua algoritma serupa. Pengujian juga memperoleh hasil identifikasi parameter baterai, dan karakteristik relaksasi baterai dapat digunakan untuk identifikasi parameter. Semakin cepat siklus pengujian, semakin akurat estimasi SOH. Algoritma CC lebih unggul dari algoritma OCV dalam inisialisasi SOH, yang dapat lebih memahami resistansi internal baterai dan sekaligus memperkirakan tegangan terminal Vt, SOC, dan SOH baterai, dengan kesalahan estimasi kurang dari 2%.
Dari data error identifikasi parameter SOH diperoleh mean square error (MSE) algoritma CC sebesar {{0}}.0111, nilai akhir SOH sebesar 17.33%, persentase error sebesar 1.770%, dan root kesalahan kuadrat rata-rata (RMSE) adalah 0,0132
Pembahasan hasil penelitian:Dampak resistansi baterai internal pada algoritma CC dan OCV serupa, dan algoritma CC dapat lebih memahami resistansi internal dengan kesalahan yang lebih kecil. Algoritma CC berhasil memperkirakan tegangan terminal Vt, SOC, dan SOH baterai secara bersamaan, dengan kesalahan estimasi kurang dari 2%. Pada pengujian debit, algoritma CC lebih akurat dibandingkan algoritma OCV dalam inisialisasi SOH, dengan estimasi mean square error (MSE) sebesar 1,770% untuk algoritma CC dan 3,256% untuk algoritma OCV. Hasil ini memberikan acuan untuk identifikasi parameter dalam evaluasi PASI.
4. Ringkasan
Hasil evaluasi kinerja BMS berdasarkan identifikasi parameter SOH menunjukkan bahwa algoritma penghitungan Coulomb memiliki hasil estimasi yang lebih baik, dengan error estimasi SOH sebesar 1.770% dan nilai akhir SOH sebesar 17.33%. Kesalahan pemodelan model baterai Thevenin untuk baterai adalah 0,0451%. Dari segi keakuratan estimasi SOH menggunakan dua metode (penghitungan Coulomb dan tegangan rangkaian terbuka), penghitungan Coulomb memiliki akurasi yang lebih tinggi. Selain itu, algoritma adaptif berdasarkan pemodelan baterai dapat memperkirakan tegangan terminal dan SOH baterai.